Wzrost sam nie podzieli zysku z AI

Kto planuje zespół albo firmę w przekonaniu, że zysk z AI rozejdzie się po gospodarce sam, zostawia decyzję ustawieniom domyślnym. Raport ekonomistów z Anthropic Institute pokazuje, że w skrajnym z trzech modelowanych scenariuszy, przy bazowej elastyczności podaży kapitału, ustawienie domyślne oddaje kapitałowi cały przyrost PKB.

Spieram się z tezą o samoczynnym podziale: wzrost wytworzony przez AI podniesie wszystkich, więc przegranych nie będzie. Nie przypisuję jej żadnej firmie ani osobie. Spór dotyczy rozumowania. Liczby biorę z raportu, który powstał w laboratorium budującym modele, a jego autorzy zastrzegają, że żaden scenariusz nie jest prognozą. Przyjmuję to zastrzeżenie dosłownie.

Co raport mówi i czego nie mówi

Raport nosi tytuł Economic Scenarios for Transformative AI i ukazał się we wrześniu 2026 roku jako dokument roboczy nr 2026-02 The Anthropic Institute. Napisali go Anton Korinek, Charles I. Jones, Szymon Sacher, Tess Cotter i Peter McCrory. Modeluje gospodarkę USA do 2030 roku, w której AI przejmuje rosnącą część zadań poznawczych. Zawody poznawcze to w definicji autorów kadra kierownicza, specjaliści, sprzedaż i praca biurowa. Reszta gospodarki, na przykład budowlańcy i elektrycy, nie jest bezpośrednio narażona. Autorzy zastrzegają, że poglądy w raporcie są ich własne, niekoniecznie stanowisko Anthropic ani The Anthropic Institute.

Model zamienia kilka parametrów w ścieżki PKB, płac, udziału pracy w dochodzie, przepływów między zawodami i bezrobocia. Parametry opisują, jaka część zadań podlega wpływowi AI i jak szeroko się ją stosuje. Dalej: o ile AI zwiększa wydajność na zadaniu i jaka część użycia zastępuje człowieka, a jaka mu pomaga. Ostatni parametr to liczba nowych zadań dla pracowników poznawczych na jedno zautomatyzowane. Dwa dalsze ustawienia dotyczą rynku pracy: jak trudno zwolnionej osobie zmienić zawód i jak szybko pozostałe zawody otwierają nowe wakaty. Sztywność płac autorzy ustawili we wszystkich scenariuszach tak samo i sprawdzają osobno.

Autorzy opisują trzy scenariusze: umiarkowany, znaczny (w oryginale substantial) i skrajny. Zastrzegają, że to nie prognozy i że nie przypisują im prawdopodobieństw. Model pomija między innymi ryzyka katastroficzne, czynniki polityczno-ekonomiczne, cykle koniunkturalne, zaburzenia rynków finansowych, robotykę oraz spadek popytu, który mógłby wzmacniać skutki zwolnień.

Do raportu dołączono sondaż 10 980 dorosłych Amerykanów (Morning Consult, 11–23 sierpnia 2026). Autorzy przepuścili odpowiedzi przez model, a do symulacji weszły 3259 osób, które odpowiedziały na wszystkie pięć pytań w wersji ankiety na rok 2030. Mediana wyników wypada blisko scenariusza znacznego. W symulacjach z odpowiedzi PKB w 2030 roku jest o 8,6% wyższy niż bez AI, a zatrudnienie w zawodach poznawczych o 4,2% niższe niż w połowie 2026. Są to mediany po respondentach. Sam scenariusz znaczny daje 8,3% i 3,9%. Poglądy są mocno rozproszone, a cztery parametry, o które nie pytano, ustawiono jak w scenariuszu znacznym.

Autorzy nie wykluczają dziś żadnego z trzech.

Najmocniejsza wersja tezy przeciwnej

Oddajmy najpierw głos optymiście. W podręcznikowej wersji modelu podaż kapitału w długim okresie jest doskonale elastyczna, bo maszyny zawsze można dobudować, więc cały przyrost wydajności trafia do pracy i podnosi płace, a kapitał zarabia tyle co zawsze. Po wszystkich dostosowaniach w modelu raportu zostaje jedna płaca i zwykle rośnie dzięki AI. Symulacja kończy się jednak na 2030 roku, więc tego długiego okresu nie obejmuje.

Optymista dorzuca rachunek zbiorczy. Nawet w skrajnym scenariuszu zysk gospodarki jest prawie trzy razy większy niż strata pracowników poznawczych, więc zasoby na ich wyrównanie istnieją. Dorzuca też argument skali: według autorów w scenariuszach umiarkowanym i znacznym realokacja pracy, choć kosztowna, ma rozmiar, który amerykański rynek pracy już kiedyś wchłonął. W danych makroekonomicznych skutki AI dla rynku pracy były dotąd stosunkowo słabe, choć dane o płacach początkowych w narażonych zawodach są niejednoznaczne. Autorzy uznają ten brak wyraźnych skutków za zgodny z dwiema lekturami: światem umiarkowanym albo początkiem skrajnego.

Optymista ma więc rację w dwóch sprawach. W scenariuszach umiarkowanym i znacznym realokacja pracy mieści się w tym, co rynek już wchłonął, a po wszystkich dostosowaniach model daje jedną płacę, która zwykle rośnie. Żadna z nich nie rozstrzyga, kto dostaje przyrost do 2030 roku.

Rachunek, który zmieści się na kalkulatorze

Dochód z pracy to udział pracy w dochodzie razy PKB. Weźmy skrajny scenariusz na styczeń 2030. Udział pracy spada z 60% do 45,2%, a PKB jest o 32,4% wyższy niż na ścieżce bez AI, czyli w wyobrażonej gospodarce, która rosłaby bez tej technologii. Pomnóżmy: 0,452 razy 1,324 daje około 0,60. Dochód z pracy prawie się nie zmienia. Przy bazowych założeniach autorów, w tym elastyczności podaży kapitału równej 3, cały przyrost PKB zamienia się w dochód z kapitału, który jest o 81% wyższy niż bez AI.

Skutki dla pracowników są nierówne. W tym scenariuszu płaca w zawodach poznawczych jest o 11,5% niższa niż na ścieżce bez AI, a w pozostałych zawodach o 33,6% wyższa. Fundusz płac zawodów poznawczych, z bezrobotnymi liczonymi jako zero, jest o 31% niższy niż na tej ścieżce. Zatrudnienie w tych zawodach jest o 21,5% niższe niż w połowie 2026 roku. Stopa bezrobocia wśród osób, które w nich zaczynały, sięga 17,9%, a w całej gospodarce 11,9%. Autorzy przypominają, że szczytowe roczne stopy bezrobocia w USA wyniosły nieco poniżej 10% po światowym kryzysie finansowym i około 8% w recesji pandemicznej.

Liczbę 11,5% łatwo zacytować źle. Mierzy ona odległość od ścieżki bez AI, na której płace rosłyby o około 2% rocznie, więc według autorów płaca w zawodach poznawczych wypada w 2030 roku nieco niżej niż w połowie 2026.

W modelu spadek płac i bezrobocie są dwoma kanałami, którymi koszt dociera do pracowników poznawczych. Gdy płace dostosowują się natychmiast, płaca poznawcza jest w skrajnym scenariuszu o ponad 42% niższa niż bez AI, a bezrobocie w tej grupie wynosi 2,6%. Gdy dostosowują się bardzo wolno, bo połowa luki znika po siedmiu latach, płaca jest o 2,8% wyższa niż bez AI, a bezrobocie w tej grupie sięga 24%. Wynik bazowy, 11,5% i 17,9%, dzieli koszt między oba kanały.

Zarzut, który zmniejsza tezę

Najmocniejszy zarzut brzmi tak: wynik skrajnego scenariusza wynika z założeń, a założenia wybrali autorzy. Skrajny scenariusz zakłada, że AI obejmuje 30% zadań w gospodarce, czyli mniej więcej połowę zadań wykonywanych w 2025 roku w zawodach poznawczych. Na tych zadaniach ponad dwukrotnie podnosi wydajność, a z jego użycia 90% to automatyzacja, 10% wspomaganie. Nowe zadania dla pracowników poznawczych nie powstają wcale. W scenariuszu umiarkowanym na dwa zautomatyzowane zadania przypada jedno nowe, w znacznym jedno na cztery. Podział między pracę a kapitał zależy też od elastyczności podaży kapitału. Autorzy ustawili ją na 3, nazywają ją liczbą niezmierzoną i nie zmieniają jej między scenariuszami, ale sprawdzają ją osobno w teście odporności. Wybrali wartość raczej wysoką, korzystniejszą dla pracy. Przy bardziej elastycznej podaży praca zatrzymuje więcej przyrostu, a przy mniej elastycznej średnia płaca może spaść poniżej ścieżki bez AI.

Zarzut trafia i zmniejsza moją tezę. Nie wolno mi cytować jako oczekiwań żadnej liczby ze skrajnego scenariusza. Autorzy zaznaczają zresztą, że ryzyka katastroficzne, czynniki polityczno-ekonomiczne, cykle koniunkturalne i zaburzenia rynków finansowych mogłyby okazać się ważne w każdym z trzech scenariuszy. Model pomija też wzrost wydajności zadań, które kapitał wykonywał już przed 2024 rokiem. Według autorów to potencjalnie ważny kanał zarówno dla wzrostu, jak i dla utrzymania udziału pracy.

Zostaje kierunek, choć tylko w modelu. Przy przyjętych parametrach mechanika jest we wszystkich scenariuszach ta sama: produkcja rośnie, zatrudnienie w zawodach poznawczych maleje, a w pozostałych rośnie. Różni je rozmiar i tempo. Udział pracy w dochodzie spada w każdym, z 60% do 59,4%, 56,1% i 45,2%. W scenariuszu znacznym, najbliższym medianie ankietowanych, spadek wynosi cztery punkty w cztery lata. Autorzy zauważają, że to niewiele mniej niż cały spadek udziału pracy w USA w czterech dekadach po 1980 roku (Karabarbounis i Neiman 2014, za raportem). Płaca w zawodach poznawczych jest tam o 0,3% niższa niż bez AI, a w pozostałych zawodach o 5,9% wyższa. Bezrobocie w zawodach poznawczych rośnie z 2,9% do 4,5%.

Zostaje też hybryda z przypisu raportu, która w mojej lekturze pokazuje, że tempo wzrostu nie przesądza o losie pracy. Weźmy ze scenariusza znacznego zasięg AI i wzrost wydajności. Automatyzację i brak nowych zadań weźmy ze skrajnego, razem z długim czasem szukania nowego zajęcia, a podaż kapitału niech będzie mało elastyczna (1 zamiast bazowych 3). PKB jest wtedy o 7,2% wyższy niż bez AI, a łączny dochód z pracy niższy o 4,3% PKB bez AI. Utrzymanie dochodu pracowników poznawczych wymagałoby oddania 84% przyrostu PKB. Autorzy zaznaczają, że takie wartości mieszczą się w zakresach, które rozważają.

Transfer, który nie dzieje się sam

Autorzy liczą, że w skrajnym scenariuszu wystarczyłby transfer rzędu 9% PKB. To mniej więcej skala Social Security i Medicare razem wziętych. Pierwszy program to głównie emerytury i renty, drugi to ubezpieczenie zdrowotne seniorów. Taki transfer utrzymałby dochód pracowników poznawczych na poziomie ścieżki bez AI i zostawiłby resztę gospodarki ponad 20% wyżej. Piszą, że to skala bez precedensu w odpowiedzi na zmianę technologiczną. Wcześniejsze przypadki utraty pracy, takie jak regionalne skutki chińskiej konkurencji importowej (Autor, Dorn i Hanson 2013, za raportem), uczą, że wyrównanie w większości nie następuje samo.

W podsumowaniu raport dochodzi, dla scenariusza skrajnego, do wniosku, który zaprzecza samoczynnemu podziałowi. Zasoby na wyrównanie istnieją. Czy i jak dotrą do ludzi, którzy ponoszą koszt, tego wzrost sam nie dostarcza. Przekwalifikowanie, wsparcie dochodu, powszechny kapitał podstawowy czy dochód podstawowy stają się wtedy jednym z centralnych pytań polityki gospodarczej.

Spór o instytucje na poziomie państwa wymaga innego eseju. Na poziomie jednej firmy odpowiedź da się zapisać dziś.

Pięć liczb i jedna reguła w twojej firmie

Raport zauważa, że każdy z jego parametrów można potencjalnie zmierzyć, a dane z najbliższych lat pokażą, w którym scenariuszu jesteśmy. Ja dodaję: w swojej firmie masz te dane bez czekania na statystykę państwową.

Raz na kwartał zapisz dla jednej roli pięć liczb. Autorzy tego nie proponują. To moja adaptacja ich parametrów.

1. Jaką część zadań roli oddajesz modelowi.
2. O ile model skraca typowe zadanie.
3. Jaka część tego użycia zastępuje człowieka, a jaka mu pomaga.
4. Ile nowych zadań przypadło na jedno zautomatyzowane.
5. Ile miesięcy zajmuje osobie z tej roli znalezienie nowego miejsca w firmie lub poza nią.

W ankiecie raport podaje respondentom jako normę około trzech miesięcy poszukiwania pracy.

Przykład jest skonstruowany. Liczby wymyśliłem na potrzeby rachunku. Zespół obsługi klienta liczy sześć etatów i obsługuje stałą liczbę zgłoszeń. Model skraca typowe zgłoszenie o jedną trzecią, czyli o tyle, ile przy zadaniu nadającym się dla AI oczekuje mediana ankietowanych w raporcie. To uwalnia dwa etaty. Możesz je zlikwidować, przesunąć do nowych zadań albo oddać zespołowi część oszczędności. Likwidacja zostawia całą oszczędność właścicielowi. Przesunięcie działa tylko wtedy, gdy nowe zadania istnieją, a to czwarta z pięciu liczb. Oddanie części kosztuje marżę.

Reguła podziału to jedno zdanie, które zapisujesz, zanim pierwsze zadanie roli zostanie zautomatyzowane: z oszczędności określona część idzie na płace i przekwalifikowanie zespołu, a reszta do marży. Proporcje wybierasz sam. Ta reguła jest moim pomysłem. Raport jej nie zawiera ani nie uzasadnia. Przeniesienie rachunku z gospodarki na firmę to moja analogia, bo model opisuje rynki czynników produkcji i o podziale oszczędności w firmie milczy. Jako founder siedzę w tym rachunku po stronie kapitału, więc jeśli model ma rację co do kierunku, ustawienie domyślne działa na moją korzyść. To dobry powód, żeby je zapisać.

Zmienię zdanie o twojej roli, gdy nowe zadania przybywają w tempie scenariusza umiarkowanego (jedno na dwa zautomatyzowane) albo szybciej, a ponowne zatrudnienie trwa około trzech miesięcy. Rola zbliża się wtedy do scenariusza umiarkowanego w tych dwóch wymiarach, a reguła podziału staje się formalnością.

Autorzy dopuszczają, że za rok lub dwa będzie wyraźniej widać, w którą stronę idzie świat. Do tego czasu każde zautomatyzowane zadanie w twojej firmie przejdzie przez jakąś regułę podziału oszczędności. Czy tę regułę zapisałeś, czy odziedziczyłeś ją po ustawieniach domyślnych?

Bibliografia

1. primaryKorinek, A., Jones, C. I., Sacher, S., Cotter, T., McCrory, P. (2026). Economic Scenarios for Transformative AI. The Anthropic Institute Working Paper No. 2026-02, wrzesień 2026. https://www-cdn.anthropic.com/files/4zrzovbb/website/cf58f84d46a4a76bf5a5b039ac695fba6b80041c.pdf. Źródło liczb i zastrzeżeń z raportu. Przykład z zespołem obsługi klienta jest wymyślony.
2. primaryThe Anthropic Institute (2026). Scenarios for our Economic Future, interaktywny eksplorator scenariuszy towarzyszący raportowi. https://www.anthropic.com/institute/econ-scenarios
3. secondaryAutor, D., Dorn, D., Hanson, G. H. (2013). The China syndrome: Local labor market effects of import competition in the United States. American Economic Review, 103(6), 2121–2168. Przytoczone za Korinkiem i in. (2026), który powołuje się na tę pracę przy ocenie, czy wyrównanie dzieje się samo.
4. secondaryKarabarbounis, L., Neiman, B. (2014). The global decline of the labor share. Quarterly Journal of Economics, 129(1), 61–103. Przytoczone za Korinkiem i in. (2026), który powołuje się na tę pracę przy porównaniu spadku udziału pracy po 1980 roku.